سوگیری بازماندگی چیست؟

سوگیری بازماندگی یک اشتباه ذهنی است که در آن، یک زیرگروه موفق به اشتباه به عنوان کل گروه در نظر گرفته می‌شود، زیرا زیرگروهی که شکست خورده نادیده گرفته می‌شود. نام این سوگیری از خطایی می‌آید که فرد هنگام بررسی یک مجموعه داده تنها موارد "بازمانده" را در نظر می‌گیرد و نقاطی که دوام نیاورده‌اند را حذف می‌کند.

جایی که این سوگیری رخ می‌دهد

نمونه‌های سوگیری بازماندگی را می‌توان در طیف گسترده‌ای از زمینه‌ها، به‌ویژه در دنیای کسب‌وکار مشاهده کرد. دانشجویان رشته‌های کسب‌وکار به یاد می‌آورند که چگونه «استارت‌آپ‌های تک شاخی» به‌طور معمول در کلاس درس مورد تحسین قرار می‌گیرند و به‌عنوان مثالی از آنچه دانش‌آموزان باید برای آن تلاش کنند، عمل می‌کنند - یک نماد آرکیتیپی از موفقیت. با وجود اینکه فوربس گزارش داده است که ۹۰ درصد از استارت‌آپ‌ها شکست می‌خورند، اما کل رشته‌های تحصیلی به کارآفرینی اختصاص داده شده است و ده‌ها دانشجو ادعا می‌کنند که روزی یک استارت‌آپ پیدا خواهند کرد و موفق خواهند شد.

با نگاه کردن به بنیانگذاران موفق استارت‌آپ مانند استیو جابز، بیل گیتس و مارک زاکربرگ، فرد می‌تواند نتیجه‌گیری کند که برای رسیدن به سطح موفقیت آن‌ها، باید صرفاً ایده‌ای داشته باشد، تحصیل را رها کند و وقت خود را صرف ایده بزرگ خود کند.

در مجله ساینتیفیک آمریکن، پروفسور مایکل شرمر و لری اسمیت از دانشگاه واترلو توضیح می‌دهند که چگونه توصیه‌های مربوط به موفقیت‌های تجاری، درک افراد را تحریف می‌کند، زیرا ما تمایل داریم دانشجویانی را که به کارآفرینان موفق یا کسب‌وکارهایی که شکست خورده‌اند، نادیده بگیریم.

به عبارت ساده، بسیاری فراموش می‌کنند که این استارت‌آپ‌های تک شاخی فقط همین هستند: تک شاخ. از هزاران نفری که سعی می‌کنند از همان مسیرهای این سرمایه‌داران تجاری پیروی کنند، اکثر آنها شکست می‌خورند. با این حال، داستان‌های شکست آن‌ها به اندازه داستان‌های موفقیت به اشتراک گذاشته نمی‌شود و به دیگران ایده اغراق‌آمیزی از توانایی‌ها و دستاوردهای بالقوه ما می‌دهد. این بدان معنا نیست که سخت‌کوشی و استعداد منجر به موفقیت نخواهد شد، بلکه به این معنی است که به‌عنوان یک جامعه، ما تمایل داریم شکست‌های رایج را نادیده بگیریم و به داستان‌های موفقیت به‌عنوان اثبات آنچه ممکن است، پایبند باشیم. در عوض، در این فرضیه، باید در نظر بگیریم که مواردی مانند شانس، زمان‌بندی، ارتباطات و پیشینه اقتصادی در دستاوردهای بنیانگذاران معروف نقش داشته‌اند.

اثرات فردی

سوگیری بازماندگی به دلیل شیوع بالا و تأثیر عمیق آن بر انتخاب‌های ما مضر است. این سوگیری معمولاً با تصمیم‌گیری مالی، کارآفرینی، قمار و تحقیقات پزشکی مرتبط است. هنگام تصمیم‌گیری در این حوزه‌ها باید هم موفقیت‌ها و هم شکست‌ها را در نظر بگیریم، در غیر این صورت، سوگیری بازماندگی می‌تواند تأثیر عمیقی بر درک و قضاوت ما بگذارد. بدون داشتن تمام داده‌های لازم برای تصمیم‌گیری منطقی، افراد نمی‌توانند بهترین انتخاب ممکن را برای خود انجام دهند.

اثرات سیستماتیک

سوگیری بازماندگی در همه جا دیده می‌شود، زیرا یک سوگیری رایج است که بر نحوه تفسیر داده‌ها و اطلاعات هنگام تصمیم‌گیری تأثیر می‌گذارد. سوگیری بازماندگی همچنین بر تصمیم‌گیری‌های سطح بالا تأثیر می‌گذارد که منجر به چالش‌های سیستماتیک در چندین رشته می‌شود.

روایت‌های تاریخی

در نظر گرفتن این نکته مهم است که چگونه سوگیری بازماندگی می‌تواند بر نحوه نگاه ما به تاریخ و در نتیجه درک ما از جهان تأثیر بگذارد. بسته به مدرسه، شیوه ارائه اطلاعات و مواد مورد استفاده می‌تواند باعث ایجاد سوگیری شود. تمرکز بر گروه‌های خاص و موفقیت‌های آن‌ها در طول تاریخ می‌تواند داستان‌ها و مبارزات دیگران را کم‌رنگ کند. اجتناب از بحث‌های مربوط به بهره‌کشی می‌تواند تصویر نادرستی از چگونگی شکل‌گیری چندین کشور و دلیل برتری ظاهری برخی گروه‌ها در عصر مدرن به ما بدهد. با نگاهی گسترده‌تر، گرفتار شدن در سوگیری بازماندگی، دیدگاه‌های ما را درباره نژادپرستی سیستماتیک و سایر نابرابری‌ها شکل می‌دهد. برای پیشرفت اجتماعی، مهم است که هم به پیروزی‌ها و هم به بی‌عدالتی‌های بزرگ تاریخ نگاه کنیم.

اپیدمیولوژی

سوگیری بازماندگی در مواردی از تشخیص بیماری، به ویژه در مورد نرخ بقای پس از تشخیص، مشاهده شده است. به عنوان مثال، بیمارانی با بهترین پیش‌آگهی اغلب افرادی هستند که به دلیل سن، سابقه سلامت قبلی و سطح آمادگی جسمانی، کمترین خطر را دارند. هر چه بیماران پیش‌نیازهای مثبت بیشتری را نشان دهند، نرخ بقای آن‌ها بهتر است. از آنجایی که بیماران با سابقه سلامت بدتر همیشه زنده نمی‌مانند، مرگ آن‌ها در محاسبات نرخ بقاء گنجانده نمی‌شود. به این معنی که بیماران به طور نامتناسبی توسط افراد سالم‌تری که نتایج مثبتی دارند، نشان داده می‌شوند. همچنین باید افرادی را که مدت کوتاهی پس از تشخیص می‌میرند یا افرادی که قبل از تشخیص رسمی می‌میرند، در نظر گرفت. با عدم گنجاندن در محاسبات نرخ بقاء، نتیجه بقاء اغراق‌آمیز است.

در طول همه‌گیری کووید-۱۹، نرخ بقاء یک نقطه بزرگ پرسش بود. بسیاری از اپیدمیولوژیست‌ها و پزشکان هشدار می‌دهند که محاسبات منتشر شده تصویر کاملی ارائه نمی‌دهد. بیمارانی که بدون آزمایش کووید-۱۹ می‌میرند نمی‌توانند به‌عنوان بخشی از شمارش مرگ و میر ویروس در نظر گرفته شوند و این امر می‌تواند نرخ بقاء را کج کند. در بسیاری از کشورهای جهان، کشورها و سیستم‌های مراقبت بهداشتی آن‌ها در انجام آزمایش‌ها با مشکل مواجه بودند که منجر به سوگیری بالقوه بازماندگی در هنگام بررسی داده‌های تولید شده از بیماری شد.

چگونه بر محصول تأثیر می‌گذارد

بخش قابل توجهی از کمپین‌های بازاریابی شامل گواهی‌ها است - داده‌هایی که مصرف‌کننده به شدت به آن ارزش قائل است. ما اغلب می‌خواهیم بدانیم که آیا یک محصول کار می‌کند یا خیر، بنابراین ممکن است به “کارآزمایی‌های بالینی” و مطالعات مستقل تأمین مالی شده که در کمپین‌های تبلیغاتی ارائه می‌شود، مراجعه کنیم. با این حال، ممکن است چیزهای بیشتری پشت این اعداد وجود داشته باشد: یک “۹۵٪ افراد بهبود یافتند!” چشمگیر همیشه کل داستان را بیان نمی‌کند. وقتی از پارامترهای کامل یک مطالعه آگاه نیستیم، به دست آوردن دیدگاه جانبدارانه آسان است. همیشه ایده خوبی است که صحت یک مطالعه را دوباره بررسی کنید. به عنوان مثال، اندازه نمونه چه بود؟ آیا افراد از مطالعه کناره‌گیری کردند؟ آن‌ها چقدر از محصول استفاده کردند؟ همه این سوالات برای تعیین اعتبار آن مهم هستند. وقتی این نکات را در نظر می‌گیریم، به طور فعال در برابر سوگیری بازماندگی کار می‌کنیم.

سوگیری بازماندگی و هوش مصنوعی

استفاده از مجموعه داده‌های غنی و روش‌های ارزیابی دقیق می‌تواند به کاهش اثرات سوگیری بازماندگی در نرم‌افزارهای هوش مصنوعی کمک کند. با این حال، چشم‌انداز در حال تکامل سریع هوش مصنوعی، که با جریان ثابت پیشرفت‌های جدید مشخص می‌شود، چالش‌های قابل توجهی را ایجاد می‌کند.

یک نگرانی کلیدی، بیش از حد برآورد کردن نرخ موفقیت هوش مصنوعی است. تمایل به تمرکز بر پروژه‌های موفق هوش مصنوعی در حالی که از شکست‌ها چشم‌پوشی می‌شود، می‌تواند منجر به انتظارات تورمی و کاربردهای گمراه‌کننده شود. به یاد داشته باشید که بسیاری از سیستم‌های هوش مصنوعی قبل از دستیابی به نتایج مطلوب، تحت تکرارها و اصلاحات متعدد قرار می‌گیرند.

کم‌اهمیت شمردن محدودیت‌های هوش مصنوعی به دلیل سوگیری بازماندگی نیز می‌تواند مضر باشد. با تمرکز صرف بر کاربردهای موفق هوش مصنوعی، ما در معرض خطر نادیده گرفتن کاستی‌ها و تعصبات بالقوه در فناوری قرار می‌گیریم. این می‌تواند منجر به استقرار هوش مصنوعی در زمینه‌های نامناسب، منجر به تصمیم‌گیری‌های نادرست و عواقب منفی شود.

برای مقابله با این مسائل، ضروری است که:

• شفافیت را ترویج کنیم: هم موفقیت‌ها و هم شکست‌ها را در توسعه هوش مصنوعی به اشتراک بگذاریم تا تصویر دقیق‌تری از قابلیت‌های این فناوری ارائه دهیم.
• بر ارزیابی دقیق تمرکز کنیم: روش‌های آزمایش و ارزیابی قوی را برای شناسایی محدودیت‌ها و تعصبات هوش مصنوعی ایجاد کنیم.
• توسعه مسئولانه هوش مصنوعی را تشویق کنیم: اولویت‌های اخلاقی را در نظر بگیریم و از اغراق در پتانسیل هوش مصنوعی خودداری کنیم.

با اتخاذ این روش‌ها، می‌توانیم تأثیر سوگیری بازماندگی را کاهش دهیم و اطمینان حاصل کنیم که هوش مصنوعی به صورت مسئولانه توسعه و مستقر می‌شود.

چرا اتفاق می‌افتد

سوگیری بازماندگی یک سوگیری شناختی رایج است که می‌تواند به سوء تفاهم اساسی در مورد علت و معلول، به ویژه در مورد مفهوم همبستگی در مقابل علیت نسبت داده شود. اگرچه همبستگی و علیت ممکن است با هم وجود داشته باشند، اما همبستگی به معنای علیت نیست.

فقط به این دلیل که افراد الگویی را از یک مجموعه داده مشاهده می‌کنند، مانند مثال ذکر شده در بالا از کارآفرینان موفق و ترک تحصیل، به این معنی نیست که همه کارآفرینان موفق از دانشگاه کناره‌گیری می‌کنند یا همه کسانی که از دانشگاه کناره‌گیری می‌کنند موفق خواهند شد. علیت به مواردی اشاره دارد که عمل A باعث نتیجه B می‌شود، در حالی که همبستگی صرفاً یک رابطه است. تصادفی بودن اینکه بسیاری از کارآفرینان از دانشگاه کناره‌گیری کرده‌اند، یک همبستگی است، زیرا ترک تحصیل لزوماً باعث موفقیت آن‌ها نشده است. با این حال، سوگیری بازماندگی باعث می‌شود افراد باور کنند که همبستگی برابر با علیت است.

چرا آگاهی از سوگیری بازماندگی مهم است

آگاهی از سوگیری بازماندگی و درک چگونگی تأثیر آن بر قضاوت و تصمیم‌گیری شما برای اطمینان از تفکر انتقادی و اتخاذ بهترین تصمیمات ممکن برای خودتان بسیار مهم است. سوگیری بازماندگی می‌تواند بر افراد در حوزه‌های مختلف تأثیر بگذارد؛ بنابراین، آگاهی می‌تواند تصمیم‌گیری بهتر در مورد محصولات، سرمایه‌گذاری‌های مالی یا نتیجه‌گیری‌های علمی را تضمین کند. ایجاد سوگیری یک ویژگی اجتناب‌ناپذیر انسانی است، اما صرف زمان برای به چالش کشیدن آن‌ها برای اطمینان از بهترین تصمیم ممکن ضروری است.

چگونه از آن اجتناب کنیم

هنگامی که افراد از سوگیری بازماندگی آگاه شدند، می‌توانند از چندین روش برای اجتناب از آن تمرین کنند.

از خود بپرسید چه چیزی را نمی‌بینید

هنگام تصمیم‌گیری، با در نظر گرفتن آنچه گم شده است، شروع کنید. چه داده‌هایی از یک رویداد یا مجموعه داده‌ای که استفاده می‌کنید، «باقی نمانده‌اند»؟ با پرسیدن سوالات و صرف وقت برای تحقیق در مورد این نقاط داده گمشده، می‌توانید قبل از لحظه تصمیم‌گیری، درک بهتری پیدا کنید. آگاه بودن کامل و صرف وقت برای توقف، تأمل و تحقیق به اطمینان از در نظر گرفتن سوگیری بازماندگی در تصمیم‌گیری شما کمک می‌کند.

منابع داده خود را بررسی کنید

روش دیگر برای جلوگیری از سوگیری بازماندگی، به ویژه در کار و تحقیقات شما، انتخاب دقیق منابع داده است. با اطمینان از اینکه منابع داده برای ارتقای دقت طراحی شده‌اند و مشاهدات مهمی را که می‌تواند نتایج تجزیه و تحلیل یا تصمیم‌گیری را تغییر دهد حذف نمی‌کنند، افراد می‌توانند خطر سوگیری بازماندگی را کاهش دهند.

چگونه همه چیز شروع شد

اصطلاح سوگیری بازماندگی برای اولین بار توسط آبراهام والد، آماردان مشهور شناخته شده به خاطر مطالعه هواپیماهای جنگ جهانی دوم، ابداع شد. زمانی که گروه تحقیقاتی والد تلاش کردند تعیین کنند که چگونه می‌توان هواپیماهای جنگی را بهتر محافظت کرد، رویکرد اولیه گروه این بود که ارزیابی کنند کدام قسمت‌های هواپیما بیشترین آسیب را دیده است. پس از شناسایی مناطقی که در بدترین شرایط بودند، سپس هواپیماها را با محافظت بیشتر در آن مکان‌ها تقویت می‌کردند. با این حال، آبراهام والد متوجه شد که هواپیماهایی که بیشترین آسیب را دیده بودند، هواپیماهایی بودند که از جنگ بازنگشته بودند. همان هواپیماها همچنین مرتبط‌ترین اطلاعات را در مورد اینکه کدام قسمت‌های هواپیما باید تقویت شود، ارائه می‌کردند.

اگر این گروه تحقیقاتی نتوانسته بود این واقعیت مهم را شناسایی کند، تقویت‌های هواپیمایی که پیشنهاد می‌کردند، به طور کامل زیرمجموعه‌ای از هواپیماهایی را که احتمالاً ارزشمندترین نقاط داده را در مورد پروژه داشتند، نادیده می‌گرفتند. نتایج مطالعه تحقیقاتی مثالی از چگونگی غلبه آبراهام والد و گروه تحقیقاتی او در کلمبیا بر سوگیری بازماندگی و نجات صدها نفر بود.

مثال ۱ – سیستم‌های مالی

سوگیری بازماندگی بر سیستم‌های مالی نیز تأثیر می‌گذارد. یک مثال معمول از سوگیری بازماندگی را می‌توان در عملکرد صندوق‌های سرمایه‌گذاری مشترک مشاهده کرد. به طور خاص، سوگیری بازماندگی تمایل شرکت‌ها یا صندوق‌های سرمایه‌گذاری مشترک به حذف شدن از مطالعات تحلیل عملکرد را توصیف می‌کند. نتایج این مطالعات که بازارهای مالی را ارزیابی می‌کنند، سپس به سمت مثبت‌تر تحریف می‌شوند، زیرا فقط شرکت‌هایی که موفق بودند و «باقی ماندند» در مطالعه گنجانده شدند.

سوگیری بازماندگی را می‌توان به طور خاص در مورد صندوق‌های سرمایه‌گذاری مشترک بررسی کرد. یک صندوق سرمایه‌گذاری مشترک وسیله مالی است که پول جمع‌آوری شده از سرمایه‌گذاران را جمع‌آوری می‌کند و توسط یک مدیر حرفه‌ای پول مدیریت می‌شود. مدیر سپس در چیزهایی مانند سهام، اوراق قرضه و سایر دارایی‌ها سرمایه‌گذاری می‌کند. هنگام بررسی سرمایه‌گذاری‌های صندوق‌های سرمایه‌گذاری مشترک، فقط شامل مواردی می‌شود که در حال حاضر موفق هستند. صندوق‌هایی که قبلاً باز شده بودند و پول از دست داده بودند، یا بسته شده بودند یا با صندوق‌های دیگر ادغام شده بودند، که عملکرد ضعیف گذشته را پنهان می‌کند.

سوگیری بازماندگی زمانی رخ می‌دهد که تحلیلگران نتایج عملکرد گروه‌هایی از سرمایه‌گذاری‌ها، مانند صندوق‌های سرمایه‌گذاری مشترک، را تنها با استفاده از داده‌های بازمانده در پایان دوره محاسبه می‌کنند و صندوق‌ها یا شرکت‌هایی را که در پایان مطالعه وجود ندارند، حذف می‌کنند. به عنوان مثال، در یک جهان مالی که ۱۰۰۰ صندوق وجود دارد، تصور کنید که ۱۰ درصد از این صندوق‌ها تا پایان سال به دلیل عملکرد ضعیف متوقف می‌شوند. اگر یک تحلیلگر در حال انجام بررسی عملکرد این صندوق‌ها باشد اما مطالعه را فقط در پایان سال شروع کند، تحلیلگر قربانی سوگیری بازماندگی می‌شود و صندوق‌های شکست خورده را از نتایج نهایی خود حذف می‌کند. با عدم شمول صندوق‌هایی که شکست خورده‌اند، داده‌های عملکرد نتیجه نهایی مطلوب‌تری را برای جهان نظری صندوق نشان می‌دهد.

در سال ۱۹۹۶، محققان التون، گروبر و بلیک رابطه بین اندازه صندوق‌ها و سوگیری بازماندگی را تحلیل کردند. آن‌ها دریافتند که سوگیری بازماندگی در بخش صندوق‌های کوچک نسبت به صندوق‌های سرمایه‌گذاری مشترک بزرگ‌تر قابل توجه‌تر است. صندوق‌های کوچک احتمال شکست بالاتری نسبت به صندوق‌های بزرگ‌تر و تثبیت‌شده‌تر دارند، به همین دلیل است که آن‌ها این موضوع را برای بخش صندوق‌های کوچک درست می‌دانستند. محققان اندازه سوگیری بازماندگی در صنعت صندوق‌های سرمایه‌گذاری مشترک ایالات متحده را ۰.۹ درصد در سال تخمین زدند. علاوه بر این، آن‌ها سوگیری بازماندگی را به شرح زیر تعریف و اندازه‌گیری کردند:"سوگیری به عنوان میانگین α برای صندوق‌های بازمانده منهای میانگین α برای همه صندوق‌ها تعریف می‌شود" (که در آن α بازده تعدیل‌شده با ریسک نسبت به S&P 500 است. این معیار استاندارد عملکرد برتر صندوق‌های سرمایه‌گذاری مشترک است).

مثال ۲ – تحقیقات پزشکی

مثال دیگری از سوگیری بازماندگی را می‌توان در زمینه پزشکی و تحقیقات پزشکی مشاهده کرد. در سال ۲۰۱۰ در دانشکده پزشکی هاروارد و مرکز پزشکی بت اسرائیل دیکنس (BIDMC)، مطالعه‌ای با امید بهبود بقای بیماران پس از آسیب انجام شد. نگرانی اصلی هنگام درمان آسیب، خونریزی نامنظم است. اگر خون بیمار به درستی لخته نشود، خطر خونریزی تا مرگ بالا است.

مطالعه هاروارد بررسی کرد که آیا دادن پروتئین‌های اضافی به بیماران آسیب‌دیده، که به طور طبیعی در بدن ما وجود دارند، می‌تواند لخته شدن خون را تشویق کند و نرخ بقاء را بهبود بخشد. این مطالعه بر روی بیمارانی متمرکز بود که در عرض ۱۲ ساعت از آسیب اولیه خود ۴ تا ۸ انتقال خون دریافت کرده بودند. این کارآزمایی امیدوار بود ۱۵۰۲ بیمار را جذب کند، اما تنها ۵۷۳ نفر را جذب کرد و بنابراین بعداً رها شد.

شکست این مطالعه به دلیل سوگیری بازماندگی بود، زیرا این کارآزمایی فقط شامل بیمارانی بود که از آسیب اولیه خود جان سالم به در برده بودند و سپس قبل از انتقال به بخش مراقبت‌های ویژه برای ۴ تا ۸ انتقال خون، در اورژانس تحت درمان قرار گرفته بودند. بیمارانی که بر اثر آسیب اولیه خود فوت کردند در این مطالعه گنجانده نشدند و یافتن بیماران مناسب برای این کارآزمایی را دشوار کرد.